密歇根大学的科学家们开发了一种名为LabGym的开源、用户友好、人工智能驱动的软件，它可以在各种模型系统中自动进行动物行为分析，这可能会为基础科学和药物开发领域的生命科学家带来福音。

(资料图片)

研究结果发表在2月24日CellReportsMethods杂志的文章“LabGym：使用基于学习的整体评估来量化用户定义的动物行为”中。

测量动物行为有助于理解基本的神经过程以及评估药物的治疗和副作用。密歇根大学生命科学教授BingYe博士和他的团队分析了模式生物果蝇(果蝇)的运动和行为，以了解参与人类神经系统发育和功能的机制。

“行为是大脑的一种功能。因此，分析动物行为提供了关于大脑如何工作以及它如何响应疾病而发生变化的重要信息，”YujiaHu说，他是Ye实验室的神经科学家，也是该研究的主要作者。

手动识别和评分动物行为的各个方面是乏味、耗时且容易出现人为错误的。存在一些自动对动物行为进行定量评估的程序，但它们带来了挑战。

“许多这些行为分析程序都是基于行为的预设定义，”叶说。“例如，如果果蝇幼虫360度滚动，一些程序会计算一次滚动。但为什么270度不也是一个翻滚呢?在用户不知道如何重新编写程序的情况下，许多程序不一定具有计算的灵活性。”

让程序像科学家一样思考

为了克服这些挑战，Hu和他的同事们决定设计一个新程序，该程序可以更接近地复制人类的认知过程——更像科学家那样“思考”，并且对可能不具备编码专业知识的生物学家更友好。使用LabGym，研究人员可以输入他们想要分析的行为示例，并教软件它应该计算什么。然后，该程序使用深度学习来提高其识别和量化行为的能力。

LabGym利用视频和“模式图像”数据的组合来获得认知灵活性和可靠性。仅通过视频记录获得的时间序列数据对于AI程序的分析来说可能具有挑战性。为了训练LabGym更好地识别行为，Hu通过合并动物在不同时间点位置的轮廓来生成描绘动物运动模式的图像。将视频数据与模式图像相结合提高了程序识别不同行为的准确性。

LabGym不仅同时跟踪多只动物，它的设计还忽略了不相关的背景信息，同时考虑了动物的整体运动以及位置随时间和空间的变化。

提高灵活性

LabGym的另一个优势是其物种灵活性。尽管是使用Drosophila设计的，但它不限于任何一种物种。“这其实很少见，”叶说。“它是为生物学家编写的，因此他们无需任何编程技能或高性能计算即可使其适应他们想要研究的物种和行为。”

CarrieFerrario博士是一名药理学副教授，她在大鼠模型中研究导致成瘾和肥胖的神经机制，帮助Ye和他的团队在啮齿动物模型系统中测试和改进程序。“从研究生院开始，我就一直在努力解决这个问题，但在人工智能、深度学习和计算方面，技术并不存在，”费拉里奥说。“这个程序为我解决了一个现有问题，但它也有非常广泛的用途。我看到了它在几乎无限条件下分析动物行为的潜力。”

在未来的研究中，Ye的团队计划进一步完善该程序，以提高其在更复杂条件下的性能，例如评估自然环境中的动物行为。